【正文】 力能夠精確地推測出哪些前已證明的定理在當前的證明中有用。 如 1976年 7月，美國的阿佩爾（ )等人合作解決了長達 124年（ 1852年提出）之久的難題 —— 四色猜想。四色定理的證明曾轟動計算機世界。 自然語言理解就是研究如何讓計算機理解人類自然語言的一個研究領域。如用于飛機定票系統(tǒng)及家庭自動電話中。事先將有關專家系統(tǒng)的知識、經(jīng)驗總結(jié)出來，形成規(guī)則，并將它們以適當?shù)男问酱嫒胗嬎銠C，即建立知識庫。 專家系統(tǒng)可以解決的問題一般包括解釋、預測、診斷、設計、規(guī)劃、監(jiān)視、修理、指導和控制等。此外，還有勘探、石油測井、通信故障診斷、軍用報警、電子線路分析與計算機輔助設計等專家系統(tǒng)。 模式識別就是研究如何使機器具有感知能力的一個研究領域，其中主要研究對視覺模式、聽覺模式的識別。 目前模式識別學科正處于大力發(fā)展的階段。 知識發(fā)現(xiàn)和數(shù)據(jù)挖掘是在數(shù)據(jù)庫的基礎上實現(xiàn)的一種知識發(fā)現(xiàn)系統(tǒng)。 傳統(tǒng)的數(shù)據(jù)庫技術僅限于對數(shù)據(jù)庫的查詢和檢索，不能從數(shù)據(jù)庫中提取知識，使得數(shù)據(jù)庫中所蘊涵的豐富知識白白浪費。 神經(jīng)網(wǎng)絡的發(fā)展有著非常廣泛的科學背景。神經(jīng)生理學家、心理學家的共同研究得出的結(jié)論是：人腦是一個功能特別強大、結(jié)構(gòu)異常復雜的信息處理系統(tǒng)，其基礎是神經(jīng)元及其互聯(lián)關系。 神經(jīng)網(wǎng)絡的研究始于 40年代初期，經(jīng)歷了一條十分曲折的道路。 80年代初以來，對神經(jīng)網(wǎng)絡的研究再次出現(xiàn)高潮。對神經(jīng)網(wǎng)絡模型、算法、理論分析和硬件實現(xiàn)的大量研究，為神經(jīng)網(wǎng)絡計算機走向應用提供了物質(zhì)基礎。特別在處理直覺和形象思維信息方面具有十分優(yōu)良的效果。它主要研究在邏輯或物理上分散的智能系統(tǒng)之間相互協(xié)調(diào)各自的智能行為，實現(xiàn)問題的并行求解。 除了直接描準實現(xiàn)智能的研究工作外，開發(fā)新的方法也往往是人工智能的一個重要方面。在人工智能程序設計語言方面，除了繼續(xù)開發(fā)和改進通用和專用的編程語言新版本和新語種外，還研究出了一些面向目標的編程語言和專用開發(fā)工具。（如： Lisp、 Prolog、 Smalltalk、Module、 C++、 OPS等） 機器人（ Robet） 是一種具有類似生物器官的某些功能，用以完成操作或移動任務并能用程序加以控制的自動裝置，它是人工智能的模式識別、問題求解、自然語言理解等綜合成果。 目前已經(jīng)應用和研究的機器人主要有三種：工業(yè)機器人、遠距離操縱型機器人和智能機器人。智能機器人的研究和應用體現(xiàn)出廣泛的學科交叉，涉及眾多的課題，如機器人體系結(jié)構(gòu)、機械、控制、智能、視覺、觸覺、力覺、聽覺、機器人裝配、惡劣環(huán)境下的機器人以及機器人語言等。目前已研制出多種類型用于機械裝配、集成電路壓焊、水泥電柱的裝配、假肢及人工手等方面的智能機器人。計算機視覺通常可分為低層次視覺與高次視覺兩類。低層視覺主要執(zhí)行預處理功能，如邊緣檢測、動目標檢測、紋理分析、通過陰影獲得形狀、立體造型、曲面色彩等。高層視覺則主要是理解所觀察的形象，也只有這時才顯示出掌握與所觀察的對象相關聯(lián)的知識的重要性。機器視覺已在機器人裝配、衛(wèi)星圖象處理、工業(yè)過程控制、飛行器跟蹤和制導以及電視實況轉(zhuǎn)播等領域獲得極為廣泛應用。智能控制是一類無需或盡可能少的人干預就能夠獨立地驅(qū)動智能機器實現(xiàn)其目標的自動控制。智能控制正是在這種條件下產(chǎn)生的，它是自動控制的最新發(fā)展階段，也是用計算機模擬人類智能的一個重要研究領域。 1971年，他又提出把人工智能與自動控制結(jié)合起來的思想。 1986年，中國蔡自興提出把人工智能、控制論、信息論和運籌學結(jié)合起來的思想。 智能控制主要有以下六個領域： ? 智能機器人規(guī)劃與控制 ? 智能過程規(guī)劃 ? 智能過程控制 ? 專家控制系統(tǒng) ? 語音控制 ? 智能儀器 智能決策支持系統(tǒng)是指那種在傳統(tǒng)決策系統(tǒng)中增加了相應的智能部件的決策支持系統(tǒng)。智能決策支持系統(tǒng)由數(shù)據(jù)庫、模型庫、方法庫、人機接口及知識庫五部分所組成。 學習是人類智能的主要標志和獲得知識的基本手段。一個學習過程本質(zhì)上是學習系統(tǒng)把人類專家提供的信息轉(zhuǎn)換成能被系統(tǒng)理解并應用的形式。 (2).講授式學習（ Learning from instruction) 學習系統(tǒng)對專家提供的信息有一定的選擇能力，并予以形式化。 (3).類比學習 （ Learning from analogy)（ 模仿學習） 學習系統(tǒng)是將源域中的知識與求解方法轉(zhuǎn)換到目標域中去。 (4).歸納學習 （ Learning from induction)（ 示例學習） 學習系統(tǒng)將大量的實例描述進行歸類和對共性的分析，抽象出一般的概念和規(guī)律，使 這些新概念、新規(guī)則能蘊涵所有的實例。 (b)蘭利（ )研制的物理（重新）發(fā)現(xiàn)系統(tǒng) BACON， 它能根據(jù)已有的事實，用 83條產(chǎn)生式規(guī)則重新發(fā)現(xiàn)許多著名的物理定律，如理想氣體定律，行星運動定律以及歐姆定律等。對所接受含有噪音和矛盾的實例中，對它加以鑒別和提純，對實例間相互聯(lián)系進行分析，實現(xiàn)概念聚類、或發(fā)現(xiàn)新的規(guī)律和概念，因而有創(chuàng)新的成分。 分布式人工智能目前有兩個主要研究方向： ? 分布式問題求解： 主要任務是要創(chuàng)建一個可以對某一問題進行共同求解的協(xié)作群體； ? 多智能主體系統(tǒng)： 主要任務是要創(chuàng)建一個多智能主體之間能夠相互協(xié)調(diào)智能行為的、可以共同處理單個目標和多個目標的智能群體。 智能檢索方面主要研究如下兩個方面： 建立一個能夠理解以自然語言陳述的詢問系統(tǒng)。 確定最佳調(diào)度或組合是我們感興趣的又一類問題。這類問題是屬于計算理論家稱為 NP—— 完全性一類的問題。該時間或步數(shù)是隨著問題大小的某種量度增長。 自動程序設計研究的重大貢獻之一是作為問題求解策略的調(diào)整概念。這種做法一般比堅持要求第一個解就完全沒有缺陷的做法有效得